On the State of the Art in Authorship Attribution and Authorship Verification
DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；Carnegie Mellon University（卡内基梅隆大学）；Duke University（杜克大学）
尽管作者归属（AA）和作者身份验证（AV）研究了几十年，但不一致的数据集分割/过滤和不匹配的评估方法使得难以评估最新技术水平。在本文中，我们对该领域进行了调查，解决了混淆点，介绍了验证和基准AA/AV数据集和指标的Valla，提供了大规模的实证评估，并提供现有方法之间的苹果对苹果比较。我们在15个数据集（包括分布转移的挑战集）上评估了8种有前途的方法，并介绍了一个新的基于古腾堡项目存档文本的大规模数据集。令人惊讶的是，我们发现传统的基于Ngram的模型在5个（7个）AA任务上表现最好，实现了$76.50\%$的平均宏观准确度（与基于BERT的模型的$66.71\%$相比）。然而，在每个作者的字数最多的两个AA数据集以及AV数据集上，基于BERT的模型表现最好。虽然AV方法很容易应用于AA，但它们很少作为AA论文的基线。我们表明，通过应用硬否定挖掘，AV方法是AA方法的竞争替代品。Valla和所有实验代码可以在这里找到：https://github.com/JacobTyo/Valla
2022-10-05 cs.AI cs.CL cs.LG
Masks and Mimicry: Strategic Obfuscation and Impersonation Attacks on Authorship Verification
MIT Lincoln Laboratory（麻省理工学院林肯实验室）；The University of Virginia（弗吉尼亚大学）；University of Puerto Rico-Mayaguez（波多黎各大学马亚圭斯分校）；University of Amsterdam（阿姆斯特丹大学）
本研究评估作者身份验证模型对基于大型语言模型的混淆与冒充攻击的对抗鲁棒性，分别实现92%和78%的最大攻击成功率。
2025-03-24 cs.CL
MedLatinEpi and MedLatinLit: Two Datasets for the Computational Authorship Analysis of Medieval Latin Texts
Scuola Normale Superiore（比萨高等师范学校）；Università di Pisa（比萨大学）
我们提出并提供MedLatinEpi和MedLatinLit，两个数据集的中世纪拉丁语文本中使用的计算作者分析的研究。MedLatinEpi和MedLatinLit分别由294和30个策展文本组成，按作者标记; MedLatinEpi文本具有书信性质，而MedLatinLit文本由关于各种主题的文学评论和论文组成。因此，这两个数据集有助于支持作者身份分析任务的研究，例如作者身份归属，作者身份验证或同一作者验证。随着数据集，我们提供了实验结果，在这些数据集上获得，用于作者身份验证任务，即，预测未知作者的文本是否由候选作者撰写的任务。我们还提供了我们使用的作者身份验证系统的源代码，从而允许我们的实验被复制，并被其他研究人员用作基线。我们还描述了上述作者身份验证系统的应用，使用这些数据集作为训练数据，调查作者的两个中世纪书信的作者身份一直有争议的学者。
2021-09-11 cs.CL cs.IR
Deep Bayes Factor Scoring for Authorship Verification
Ruhr University Bochum（波鸿鲁尔大学）；Bucknell University（巴克内尔大学）
PAN 2020作者身份验证（AV）挑战的重点是在一组同人小说文本上进行跨主题/封闭集AV任务。同人小说是由同人创作的故事情节的延伸，其中一个所谓的同人话题描述了文档的主要主题。PAN 2020 AV任务中提供的数据相当具有挑战性，因为包括了多个/不同同人圈主题的文本作者。在这项工作中，我们将两种众所周知的方法分层融合到一个端到端的学习过程中：底部的深度度量学习框架旨在学习一个伪度量，将可变长度的文档映射到固定大小的特征向量上。在顶部，我们结合了一个概率层，以在学习的度量空间中执行贝叶斯因子评分。我们还提供了文本预处理策略来处理跨主题问题。
2020-08-23 cs.CL cs.LG
Authorship Verification - An Approach based on Random Forest
Jadavpur University（贾达普大学）
作者归属是信息检索、计算语言学、法律和新闻学等领域的一个重要问题。近年来已被确定为越来越多的研究兴趣的主题。在CLEF 2015 PAN中的作者识别任务中，主要关注跨体裁和跨主题的作者验证任务。我们使用了几个基于单词和基于风格的特征来识别一个给定集合的已知和未知问题之间的差异，并使用基于随机森林的分类器来标记未知问题。
2016-07-29 cs.CL
VeriDark: A Large-Scale Benchmark for Authorship Verification on the Dark Web
Bitdefender（比特梵德）；University of Bucharest（布加勒斯特大学）
暗网是非法活动的温床，用户在不同的市场论坛上交流，以交换商品和服务。执法机构受益于执行作者身份分析的取证工具，以便根据文本内容识别和分析用户。然而，作者身份分析传统上是使用以文学文本为特征的语料库进行研究的，例如小说或粉丝小说的片段，这可能不适合网络犯罪背景。此外，少数采用作者身份分析工具预防网络犯罪的作品通常采用临时实验设置和数据集。为了解决这些问题，我们发布了VeriDark：一个由三个大规模作者身份验证数据集和一个作者身份识别数据集组成的基准测试，该数据集来自暗网相关Reddit社区或流行的非法暗网市场论坛的用户活动。我们评估了三个数据集上的竞争性NLP基线，并对预测进行了分析，以更好地了解这些方法的局限性。我们在https://github.com/bit-ml/VeriDark上公开提供数据集和基线
2022-11-01 cs.CL
One-shot Style Transfer LLM log-probabilities for Authorship Attribution and Verification
Department of Computer Systems（计算机系统系）；Technical University of Madrid（马德里技术大学）
本文提出利用LLM的单次风格迁移能力，通过无监督方法提升作者身份识别与验证的性能，同时优化计算成本与任务表现的平衡。
2026-09-02 cs.AI cs.CL
O2D2: Out-Of-Distribution Detector to Capture Undecidable Trials in Authorship Verification
Ruhr University Bochum（波鸿鲁尔大学）；Bucknell University（巴克内尔大学）
PAN 2021作者身份验证（AV）挑战是一项为期三年的战略的一部分，从跨主题/封闭集AV任务转向跨主题/开放集AV任务，覆盖一系列同人小说文本。在这项工作中，我们提出了一种新的混合神经概率框架，旨在应对2021年任务的挑战。我们的系统基于2020年获奖作品，并进行了更新，以显著降低对局部变化的敏感性，并通过不确定性适应层进一步改进系统的校准。我们的框架还包括一个用于定义非响应的分布外检测器（O2 D2）。我们提出的系统优于参与PAN 2021 AV任务的所有其他系统。
2021-07-30 cs.CL
Self-Calibrating Neural-Probabilistic Model for Authorship Verification Under Covariate Shift
Ruhr University Bochum（波鸿鲁尔大学）；Bucknell University（巴克内尔大学）
我们正在解决两个基本问题，在作者身份验证（AV）：主题的变化和误校准。两个有争议的文本的主题的变化是大多数AV系统错误的主要原因。此外，观察到由深度学习AV机制产生的潜在概率估计常常与相应训练数据中的实际案例计数不匹配。因此，概率估计的校准很差。我们正在从PAN 2020扩展我们的框架，以包括贝叶斯因子评分（BFS）和不确定性适应层（UAL）来解决这两个问题。使用2020/21 PAN AV共享任务数据的实验表明，所提出的方法显着降低了对主题变化的敏感性，并显着提高了系统的校准。
2021-06-21 cs.CL
LG4AV: Combining Language Models and Graph Neural Networks for Author Verification
L3S Research Center（L3S研究中心）；University of Kassel（卡塞尔大学）
文档作者的自动验证在各种设置中都很重要。例如，研究人员根据其出版物的数量和影响进行评判和比较，公众人物则根据他们在社交媒体平台上的帖子进行评判和比较。因此，经常使用的Web服务和平台中的作者身份信息是正确的，这一点很重要。一个给定的文档是否由给定的作者撰写的问题通常被称为作者身份验证（AV）。虽然AV是一个广泛研究的问题，一般来说，只有少数作品考虑设置的文件是短的，写在一个相当统一的风格。这使得大多数方法对于学术领域中的在线数据库和知识图谱是不实用的。在这里，科学出版物的作者必须得到验证，通常只有摘要和标题可用。在这一点上，我们提出了我们的新方法LG4AV结合语言模型和图神经网络的作者身份验证。通过直接在预先训练的Transformer架构中提供可用文本，我们的模型不需要任何手工制作的样式特征，这些特征在写作风格至少在某种程度上是标准化的场景中没有意义。通过将一个图神经网络结构，我们的模型可以受益于作者之间的关系，是有意义的验证过程。例如，科学作者更有可能写与他们的合著者有关的主题，而twitter用户则倾向于发布与他们关注的人相同的主题。我们实验评估我们的模型和研究在何种程度上包括合作作者提高了文献计量环境中的验证决策。
2021-09-03 cs.AI cs.CL cs.LG
Experiments with Neural Networks for Small and Large Scale Authorship Verification
University of Houston Department of Computer Science（休斯顿大学计算机科学系）；University of Houston（休斯顿大学）
我们提出了两个模型的作者身份验证问题的一个特殊情况。任务是调查给定对的两个文档是否由同一作者撰写。我们考虑了小型和大型数据集的作者身份验证问题。潜在的小规模问题有两个主要挑战：首先，我们不知道文档的作者，因为没有以前的写作样本。其次，这两份文件都很短（几百到几千字），在体裁和/或主题上可能有很大的不同。为了解决这个问题，我们提出了转换编码器将一个文件对到其他。这种文档转换会产生一个丢失，它被用作一个可识别的特征来验证这对文档的作者是否相同。针对多人参与、样本数量多、样本长度大的大规模问题，提出了一种并行递归神经网络。比较了两个文档的语言模型。我们在各种类型的数据集上评估我们的方法，包括PAN竞争的作者身份识别数据集，亚马逊评论和机器学习文章。实验表明，这两种方法实现了稳定的和有竞争力的性能相比，基线。
2018-03-17 cs.CL
Who Wrote it and Why? Prompting Large-Language Models for Authorship Verification
Singapore University of Technology and Design（新加坡科技设计大学）
本文提出PromptAV，利用大型语言模型和逐步文体测量提示进行作者身份验证，在有限数据下优于现有方法并增强可解释性。
2023-10-12 cs.CL
Unary and Binary Classification Approaches and their Implications for Authorship Verification
检索索引的文件，而不是他们的主题内容，但他们的写作风格打开了大门，在信息检索（IR）的一些应用程序。一个应用是检索某个作者X的文本内容，其中被查询的IR系统预先被提供有X的一组参考文本。作者身份验证（AV），这是数字文本取证领域的一个研究课题，适合于这一目的。AV的任务是确定两个文档（即索引文档和参考文档）是否由同一作者X编写。尽管AV表示一元分类问题，但许多现有方法将其视为二元分类任务。然而，潜在的分类模型的AV方法有一些严重的影响，其先决条件，可评估性和适用性。在我们的综合文献综述中，我们观察到一些关于区分一元和二元AV方法的误解，需要考虑。本文的目的是，因此，澄清这些提出明确的标准和新的属性，旨在改善现有的和未来的AV方法的特性。鉴于这两个，我们调查现有的11个一元和二进制AV方法，以及四个通用的一元分类算法对两个自编语料库的适用性。此外，我们强调了一个重要的问题，关于评价AV方法的基础上固定的决策标准，这在以前的AV研究中没有受到重视。
2018-12-31 cs.CL cs.IR cs.LG
Addressing Topic Leakage in Cross-Topic Evaluation for Authorship Verification
School of Information Science and Technology（信息科学与技术学院）；Vidyasirimedhi Institute of Science and Technology（维迪西里梅迪科学技术学院）
针对作者验证跨主题评估中测试数据的主题泄露导致模型表现误导和排名不稳定问题，提出异质性感知主题采样（HITS）方法和RAVEN基准，有效减少主题泄露影响并揭示模型对主题特征的依赖。
2024-07-27 cs.CL
Authorship Impersonation via LLM Prompting does not Evade Authorship Verification Methods
研究探讨了提示生成的LLM能否生成令人信服的作者伪装并逃避现有作者验证系统，发现LLM生成文本无法有效复制作者独特性，现有系统仍能有效识别伪装文本。
2026-03-31 cs.CL
Residualized Similarity for Faithfully Explainable Authorship Verification
Department of Computer Science（计算机科学系）；Department of Linguistics（语言学系）；Institute for Advanced Computational Science（先进计算科学研究院）；Stony Brook University（石溪大学）
本文提出残差化相似度方法，用神经网络预测可解释系统的相似度残差，在保持可解释性的同时提升作者身份验证性能，并在四个数据集上匹配最先进模型效果。
2025-10-06 cs.CL
Unraveling Interwoven Roles of Large Language Models in Authorship Privacy: Obfuscation, Mimicking, and Verification
Indiana University（印第安纳大学）；Northeastern University（东北大学）
本研究针对大语言模型时代作者身份隐私任务间相互作用研究不足的问题，首次提出统一框架，分析LLM驱动的作者身份混淆、模仿、验证的动态关系及人口统计元数据的调节作用，并将公开代码。
2025-05-20 cs.CL
Distinguishing Fictional Voices: a Study of Authorship Verification Models for Quotation Attribution
Deezer Research（Deezer 研究院）；Loria（洛里亚研究所）
针对现有直接引语说话者检测依赖局部语境信息的问题，本研究用预训练作者验证模型在小说语料库构建人物风格表征，发现风格加主题信息可区分人物但未提升引语归属效果，且结果因作品而异，需适配文学文本的文体模型。
2024-01-30 cs.CL
Grammar as a Behavioral Biometric: Using Cognitively Motivated Grammar Models for Authorship Verification
Linguistics and English Language University of Manchester（语言学与英语语言大学曼彻斯特大学）；Fraunhofer Institute for Secure Information Technology（安全信息技术弗劳恩霍夫研究所）；Cavanilles Institute of Biodiversity and Evolutionary Biology University of Valencia（生物多样性与进化生物学卡瓦尼尔斯研究所瓦伦西亚大学）；Speech and Language Laboratory ANU College of Asia and the Pacific（语言实验室ANU亚太学院）
本文提出基于认知语言学原理的语法模型，通过计算LambdaG比率来提高作者身份验证的性能和可解释性。
2026-04-10 cs.CL cs.LG
Learning Text Styles: A Study on Transfer, Attribution, and Verification
SUTD（新加坡科技设计大学）；ISTD（科技设计学院）
本文围绕文本风格迁移、作者归属与作者验证三大任务，提出基于大语言模型参数高效适配、对比解耦和指令微调的方法，以提升风格操控与作者识别的效果和可解释性。
2025-07-22 cs.CL
Explainable Authorship Verification in Social Media via Attention-based Similarity Learning
Ruhr University Bochum（波鸿鲁尔大学）；Bucknell University（巴克内尔大学）
作者身份验证是分析两个或多个文本的语言模式，以确定它们是否由同一作者撰写的任务。传统上，分析是由考虑语言特征的专家进行的，这些特征包括拼写错误，语法不一致和文体。另一方面，机器学习算法可以被训练来完成相同的任务，但传统上依赖于所谓的风格特征。这些功能的缺点是，它们的可靠性大大降低了简短和主题不同的社交媒体文本。在这项跨学科的工作中，我们提出了一个最近发表的分层连体神经网络的方法，它是可行的学习神经功能和可视化的决策过程的实质性扩展。为了这个目的，一个新的大规模语料库的短亚马逊评论文本比较研究的编译，我们表明，暹罗网络拓扑结构优于国家的最先进的方法，建立在风格特征。我们对网络内部注意力权重的语言分析表明，所提出的方法确实能够抓住一些传统的语言类别。
2019-11-19 cs.CL
A Step Towards Interpretable Authorship Verification
Fraunhofer Institute for Secure Information Technology SIT（弗劳恩霍夫安全信息技术研究所）
在数字文本取证领域研究多年的一个中心问题是两个文档是否由同一作者撰写的问题。作者身份验证（authorship verification，AV）是该领域的一个研究分支，主要解决这一问题.多年来，AV背景下的研究活动稳步增加，这导致了试图解决这一问题的各种方法。然而，这些方法中的许多方法利用与文档的主题相关或受其影响的特征。因此，可能会意外地发生他们的验证结果不是基于写作风格（AV的实际重点），而是基于文档的主题。为了解决这个问题，我们提出了另一种AV方法，只考虑主题不可知的功能在其分类决策。此外，我们提出了一个事后解释方法，允许了解哪些特定的功能有助于预测建议的AV方法。为了评估我们的AV方法的性能，我们在四个具有挑战性的数据集上将其与十个竞争基线（包括当前最先进的基线）进行了比较。结果表明，我们的方法在两种情况下优于所有基线（最大准确率为84%），而在其他两种情况下，它的表现以及最强的基线。
2020-07-07 cs.CL
The \textit{Questio de aqua et terra}: A Computational Authorship Verification Study
Istituto di Scienza e Tecnologie dell’Informazione Consiglio Nazionale delle Ricerche（国家研究委员会信息科学与技术研究所）
本文用结合监督机器学习与文体学的作者身份验证方法，基于330篇中世纪拉丁语文本评估系统，并以高置信度判断《Questio de aqua et terra》的作者归属。
2025-01-07 cs.CL cs.DL
Forging the Forger: An Attempt to Improve Authorship Verification via Data Augmentation
Scuola Normale Superiore（比萨高等师范学院）；Istituto di Scienza e Tecnologie dell’Informazione, Consiglio Nazionale delle Ricerche（国家研究委员会信息科学与技术研究所）
该研究探索用模仿目标作者风格的合成负样本扩充训练集以提升对抗场景下作者身份验证性能，实验多种生成器、训练策略与分类器后发现方法效果零散不实用。
2024-10-29 cs.AI cs.CL cs.LG
CAVE: Controllable Authorship Verification Explanations
University of Southern California（南加利福尼亚大学）；Information Sciences Institute, University of Southern California（南加利福尼亚大学信息科学研究所）
本文提出离线模型 CAVE，通过生成结构统一且易于验证一致性的作者身份验证解释，结合 Prompt-CAVE 数据生成与 Cons-R-L 过滤，在保证任务准确率的同时提升解释质量。
2025-02-10 cs.AI cs.CL
Authorship Verification of Transcribed German-Language Videos
Fraunhofer Institute for Secure Information Technology SIT（弗劳恩霍夫安全信息技术研究所SIT）
该研究针对德语视频转录文本的作者身份验证缺口，实验发现传统n元语法AV方法在该任务上优于Transformer方法，验证了传统AV方法的竞争力。
2026-10-05 cs.CL
Theory-Grounded Evaluation Exposes the Authorship Gap in LLM Personalization
April 2026（2026年4月）
本文通过理论指导的评估方法，揭示了LLM个性化中作者身份差距的问题，采用三种测量传统评估四种个性化方法，发现理论指导的指标能提供更准确的基准。
2026-08-17 cs.CL
AuthBench: A Large-Scale Multilingual Benchmark for Authorship Representation across Genres and Lengths
Cornell University（康奈尔大学）
AuthBench是一个大规模多语言作者身份表征基准，涵盖多种语言、体裁和长度，通过统一零样本协议评估47个神经模型，发现作者身份表征仍远未解决，并提供诊断资源以研究其成败原因。
2026-09-09 cs.AI cs.CL
When Writing Style Drifts: Benchmarking Authorship Verification under Distribution Shifts in Genre, Time and the AI-Era
University of Technology Nuremberg (UTN)（纽伦堡工业大学（UTN））
本研究推出首个德语作者验证基准AVShift，对跨体裁、时间及AI时代分布偏移下的作者验证进行基准测试，发现微调LLM跨体裁泛化最佳，时间漂移是影响作者验证的最强因素之一，未观测到可测量的AI时代分布偏移。
2026-08-19 cs.CL
GerAV: Towards New Heights in German Authorship Verification using Fine-Tuned LLMs on a New Benchmark
University of Technology Nuremberg (UTN)（图恩大学（UTN））
本文提出GerAV基准，通过细调大语言模型在德国作者验证任务中取得新进展，展示了模型在零样本设置下的性能提升及领域适应性研究。
2026-04-22 cs.CL
Normalisation-Based Likelihood Ratio Estimation for Forensic Authorship Verification
The University of Manchester（曼彻斯特大学）
研究针对法医作者身份验证中似然比估计问题，提出平方根校正和单字校正两种归一化技术，无需校准模型，经实验评估，性能与逻辑回归校准相当，单字校正更优，还具有减少数据需求等优势，支持在法医环境采用。
2026-07-13 cs.CL stat.AP
Can Authorship Attribution Models Distinguish Speakers in Speech Transcripts?
Johns Hopkins University（约翰霍普金斯大学）；Université du Québec à Montréal（魁北克大学蒙特利尔分校）
针对语音转录文本说话人归属缺乏基准、现有书面文本模型受话题干扰大的问题，本文构建了控制话题关联的对话语音说话人归属新基准，对比多类基线模型确立SOTA，并分析了转录风格和微调的影响。
2025-05-16 cs.CL cs.LG
Social Media Writing Style Fingerprint
基于短文本作者身份验证的最新进展，我们提出了计算机辅助社交媒体文本作者身份归属的方法。我们使用各种自然语言技术来创建单词级和字符级模型，这些模型作为隐藏层来模拟简单的神经网络。每一层中单词级和字符级模型的选择通过验证性能来通知。我们系统的输出层使用未加权的多数投票向量来得出结论。我们还考虑在社交媒体帖子中编写偏见，同时收集我们的训练数据集以提高系统的鲁棒性。我们的系统取得了准确率，召回率和F-措施分别为0.82，0.926和0.869。
2017-12-26 cs.CL
Trends and Challenges in Authorship Analysis: A Review of ML, DL, and LLM Approaches
Luleå University of Technology（吕勒奥理工大学）
该综述针对作者身份分析的两大子任务，梳理了2015-2024年从传统ML到LLM的SOTA方法，分析了相关技术、数据集与挑战，指出低资源语言处理等研究空白，为领域发展提供参考。
2025-05-21 cs.CL
Can Large Language Models Identify Authorship?
Illinois Institute of Technology（伊利诺伊理工学院）；Emory University（埃默里大学）
本文研究大型语言模型在零样本作者身份验证与多候选作者归属中的能力，并提出引入显式语言特征引导推理，验证了LLMs无需领域微调即可取得优异表现并具备可解释性。
2024-10-22 cs.CL
Learning Stylometric Representations for Authorship Analysis
作者身份分析（Authorship analysis，AA）是一种从大量呈指数级增长的文本数据中揭示作者隐藏属性的研究。它根据文本中反映的写作风格提取作者的身份和社会语言学特征。它是一个必不可少的过程，为各个领域，如网络犯罪调查，心理语言学，政治社会化，等等，然而，大多数以前的技术严重依赖于手工特征工程过程。因此，功能集的选择已被证明是依赖于场景或网络的。在本文中，模仿人类的句子组成过程中使用的神经网络的方法，我们建议将不同类别的语言特征的分布式表示的话，以同时学习的写作风格表示的基础上未标记的文本的作者身份分析。特别是，所提出的模型允许主题，词汇，句法和字符级别的特征向量的每个文件被提取为stylometrics。我们评估我们的方法的性能的问题上的作者身份的表征和作者身份验证与Twitter的，小说和论文数据集。实验表明，我们提出的文本表示优于袋的词汇-n-gram，潜在的狄利克雷分配，潜在的语义分析，PVDM，PVDBOW，和word 2 vec表示。
2016-06-03 cs.CL cs.CY cs.SI
Aggregation-Aware Synthetic Text Generation Against Authorship Re-Identification
The Pennsylvania State University（宾夕法尼亚州立大学）；Information Sciences and Technology（信息科学与技术学院）
该研究提出AAST框架，通过捆绑层面联合选择合成文本解决现有作者混淆方法忽略跨文档关联的问题，实验显示其可降低账户级可链接性并保留文本质量。
2026-08-25 cs.AI cs.CL
PersonalBench: Measuring the Authorship Gap in LLM Personalization
Independent AI Researcher（独立人工智能研究员）
本研究推出PersonalBench基准，通过LUAR、LLM评判者、自动风格计量学评估LLM个性化方法，发现其可区分作者但未达人类水平，发布该基准为LLM个性化提供校准工具。
2026-08-21 cs.CL
PARSI: Persian Authorship Recognition via Stylometric Integration
Sharif University of Technology（沙菲大学技术学院）；Amirkabir University of Technology（阿米尔卡比尔技术大学）
本研究提出PARSI框架，通过整合transformer编码器与Word2Vec、文体和韵律特征，在67位波斯诗人的647,653行诗句语料库上实现作者识别，加权投票达71%准确率，阈值过滤下达97%准确率。
2025-06-27 cs.AI cs.CL
HANSEN: Human and AI Spoken Text Benchmark for Authorship Analysis
The Pennsylvania State University（宾夕法尼亚州立大学）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）；The University of Mississippi（密西西比大学）；ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）
针对作者归属分析长期忽视口语文本的问题，本文提出最大口语文本基准HANSEN，包含17个人类数据集及3个主流LLM生成的AI口语文本，通过AA、AV及人机文本检测实验证明其价值并指出AI口语检测的改进空间。
2023-10-25 cs.CL
Gram2Vec: An Interpretable Document Vectorizer
Department of Computer Science（计算机科学系）；Department of Linguistics（语言学系）；Institute for Advanced Computational Science（先进计算科学研究所）；Stony Brook University（石溪大学）
Gram2Vec通过语法特征的标准化相对频率实现文档向量化，用于作者身份验证和AI检测，展示其在可解释性上的优势。
2025-11-26 cs.CL
POSNoise: An Effective Countermeasure Against Topic Biases in Authorship Analysis
Fraunhofer Institute for Secure Information Technology SIT（弗劳恩霍夫安全信息技术研究所）
作者身份验证是数字文本取证中的一项基础性研究任务，主要解决两篇文本是否出自同一人之手的问题。近年来，已经提出了各种各样的AV方法，专注于这个问题，可以分为两类：第一类是指基于显式定义的特征的方法，其中一个完全控制哪些特征被考虑以及它们实际代表什么。另一方面，第二类涉及基于隐式定义的特征的AV方法，其中不涉及控制机制，因此文本中的任何字符序列都可以用作潜在特征。然而，属于第二类的AV方法承担的风险，文本的主题可能会偏向他们的分类预测，这反过来又可能导致误导性的结论，他们的结果。为了解决这个问题，我们提出了一种名为POSNoise的预处理技术，它可以有效地屏蔽给定文本中与主题相关的内容。通过这种方式，AV方法被迫专注于与写作风格更相关的文本单元。我们基于六种AV方法（属于第二类）和七个语料库的经验评估表明，与42例中的34例中的知名主题掩蔽方法相比，POSNoise导致了更好的结果，准确性提高了10%。
2021-07-01 cs.CL cs.DL cs.LG
Who could be behind QAnon? Authorship attribution with supervised machine-learning
Sciences Po（巴黎政治学院）；École nationale des chartes（法国国立文献学院）；Université Paris, Sciences & Lettres（巴黎文理研究大学）
一系列以化名“Q”签名的社交媒体帖子开始了一场名为QAnon的运动，导致一些最激进的支持者采取暴力和非法行动。为了确定Q背后的人，我们评估了Q所写文本的语言属性与新闻调查提供的嫌疑人名单所写文本的语言属性之间的一致性。为了查明这些帖子的作者，必须解决一些严峻的挑战。“Q滴”是非常短的文本，以一种本身构成一种文学体裁的方式写作，具有非常独特的风格特征。这些文本可能是由不同的作者写的，他们的其他作品往往很难找到。在对这场运动进行了在线民族学研究之后，我们使用监督机器学习为他们每个人建立了风格简介。然后，我们对Q的作品进行了滚动分析，看看这些语言特征中是否有部分或全部与所谓的“QDrops”相匹配。我们的结论是，两个不同的个人，保罗F。和罗恩·W与Q的语言特征最接近，他们可能连续写下了Q的文本。这些潜在的作者不是美国政府的高级人物，而是社交媒体活动家。
2023-03-03 cs.CL
StegoStylo: Squelching Stylometric Scrutiny through Steganographic Stitching
Department of Computer Science and Engineering, Mississippi State University, Mississippi State, Mississippi, USA（计算机科学与工程系，密苏里州立大学，密苏里州密苏里市，美国）
本文探讨了通过隐写术与对抗性风格分析结合来对抗风格分析的方法，提出改进的对抗攻击TraceTarnish，并量化隐写术对作者风格指纹的遮蔽效果，发现33%以上的隐写覆盖可有效隐藏作者身份。
2026-06-23 cs.CL cs.CR cs.IR
Reddit is all you need: Authorship profiling for Romanian
本研究利用Reddit的主题社区结构构建了首个带作者特征标注的罗马尼亚语短文本语料库（23k+样本），并微调评估大语言模型给出作者特征指认任务基线，同时公开所有资源。
2025-03-18 cs.CL
Decoding AI Authorship: Can LLMs Truly Mimic Human Style Across Literature and Politics?
College of Computer and Information Sciences, King Saud University（沙特国王大学计算机与信息科学学院）
研究探讨了先进大语言模型在模仿文学和政治作家风格方面的能力，发现AI生成文本仍易被检测，主要差异在于随机性与情感密度。
2026-03-24 cs.CL cs.LG
Stylomech: Unveiling Authorship via Computational Stylometry in English and Romanized Sinhala
Informatics Institute of Technology（信息技术学院）；Swansea University（斯旺西大学）
本文提出 Stylomech 作者归属系统，利用作者文本对的数值表示而非大型语料库进行训练，以解决英语和罗马化僧伽罗语中的作者识别与内容验证问题。
2025-01-16 cs.CL
Assessing Capabilities of Large Language Models in Social Media Analytics: A Multi-task Quest
Utah State University（犹他州立大学）；Vanderbilt University（范德比大学）；Independent Researcher（独立研究员）
本文首次全面评估现代LLM在社交媒体分析三项核心任务中的表现，包括身份验证、内容生成和用户属性推断，通过系统采样和用户研究提出新的评估基准。
2026-04-21 cs.AI cs.CL cs.SI
Protecting Anonymous Speech: A Generative Adversarial Network Methodology for Removing Stylistic Indicators in Text
University of California, Berkeley（加州大学伯克利分校）
随着互联网用户不断地留下文本线索，无论是通过博客、电子邮件还是社交媒体帖子，匿名写作和抗议的能力正在受到侵蚀，因为人工智能在获得以前工作的样本时，可以从数百个可能的候选人中将文本与其作者进行匹配。现有的作者身份匿名化方法，也称为作者身份混淆，通常专注于保护二进制人口统计属性，而不是整体身份。即使是那些专注于混淆身份的人也需要手动反馈，失去了原始句子的连贯性，或者只在有限的作者子集中表现良好。在本文中，我们开发了一种新的方法，作者匿名化，通过构建一个生成对抗网络，保护身份和优化对应于匿名性，流畅性和内容保存三种不同的损失。我们的全自动方法在内容保存和流畅性方面达到了与其他方法相当的结果，但在匿名化方面大大优于基线。此外，我们的方法能够很好地推广到一个开放集的背景下，并匿名化的句子，它以前没有遇到过的作者。
2021-10-18 cs.CL cs.CR cs.LG
PHEMEPlus: Enriching Social Media Rumour Verification with External Evidence
University of Warwick（华威大学）；The Alan Turing Institute（阿兰·图灵研究所）
社交媒体谣言核实工作利用来自帖子、其传播和相关用户的信号。其他工作的目标是根据维基百科的信息识别和事实核查声明，或者在不考虑社交媒体背景的情况下可靠的新闻文章。然而，缺乏将社交媒体的信息与更广泛的网络的外部证据相结合的作品。为了促进这一方向的研究，我们发布了一个新的数据集PHEMEPlus，这是PHEME基准的扩展，其中包含社交媒体对话以及每个谣言的相关外部证据。我们证明了将这些证据在改善谣言验证模型的有效性。此外，作为证据收集的一部分，我们评估各种方式的查询制定，以确定最有效的方法。
2022-07-28 cs.AI cs.CL cs.CY
Gender Detection on Social Networks using Ensemble Deep Learning
University of Virginia（弗吉尼亚大学）；University of California, Los Angeles (UCLA)（加利福尼亚大学洛杉矶分校）
分析Facebook和Twitter等社交媒体网站上不断增加的帖子数量，需要改进信息处理方法，以分析作者身份。文档分类是这项任务的核心，但随着社交媒体数量的增加，传统监督分类器的性能已经下降。本文通过集成分类在性别检测的背景下解决了这个问题，集成分类采用多模型深度学习架构，从不同的特征空间生成专门的理解。
2020-09-09 cs.AI cs.CL cs.LG
Authorship identification under domain shift: a survey of stylistic measures and learned author representations
Indiana University Bloomington（印第安纳大学伯明顿分校）
本综述系统梳理领域偏移下作者身份识别的证据，强调主题独立性取决于特征编码、评分与评估划分的组合，并指导风格表征选择与泛化验证。
2026-09-22 cs.CL
Writer Identification Using Microblogging Texts for Social Media Forensics
Halmstad University（哈尔姆斯塔德大学）；University of Tartu（塔尔图大学）
确定在线文本的作者身份是打击网络犯罪的根本。不幸的是，文本长度在某些平台上是有限的，这使得挑战更加困难。我们的目标是识别限制在140个字符的Twitter消息的作者。我们评估流行的文体特征，广泛用于文学分析，以及特定的Twitter功能，如URL，标签，回复或引用。我们使用两个数据库，分别有93和3957名作者。我们测试了不同大小的作者集和每个作者不同数量的训练/测试文本。通过自动选择的特征组合进一步提高性能。在大量训练推文（>500）的情况下，即使有数千名作者，也可以仅用几十条测试推文实现良好的准确性（Rank-5>80%）。使用较小的样本大小（10-20个训练推文），搜索空间可以减少9-15%，同时保持在候选者中检索到正确作者的高机会。在这种情况下，自动归因可以为专家在嫌疑人搜索方面节省大量时间。为了完整性，我们报告验证结果。在训练/测试推文很少的情况下，EER高于20- 25%，如果有数百个训练推文可用，则EER降低到< 15%。我们还量化的计算复杂性和时间持久性所采用的功能。
2021-03-06 cs.CL cs.IR
Authorship detection of SMS messages using unigrams
University of Peradeniya（佩拉德尼亚大学）
SMS消息是一种流行的通信媒体。由于其受欢迎程度和隐私性，它可以用于许多非法目的。此外，由于它们是日常生活的一部分，SMS可以用作许多法律纠纷的证据。由于移动电话可能被接近所有者的人访问，因此确定消息的发送者确实是电话的所有者这一事实很重要。为此，直接的解决方案似乎是使用流行的风格测量方法。然而，与文献中用于风格测量的数据相比，SMS具有不寻常的特性，使得难以或不可能以常规方式应用这些方法。我们的目标是提出一种方法的作者身份检测的短信，仍然可以提供一个可用的准确性。我们认为，考虑到作者归属的方法，最好的方法，可以应用于短信是一个n-gram方法。为了证明我们的观点，我们用不同数量的训练和测试数据检查了两种不同的分布比较方法。我们特别尝试比较我们的算法在较少的测试数据和大量候选作者（我们认为这是真实世界的场景）下的工作情况，以及作者数量较少的受控测试和大量单词的选定SMS。为了解决SMS消息中缺乏信息的问题，我们提出了将几个SMS堆叠在一起的方法。
2014-03-06 cs.CL cs.IR
